anydoc teszt: Word, PowerPoint és Excel Markdownná alakítása

Amióta egyre többet foglalkozom különböző AI-eszközökkel és helyi megoldásokkal, egyre gyakrabban találkozom .md, vagyis Markdown fájlokkal. Eleinte ez nekem is csak egy újabb fájlformátum volt, de ahogy többet használtam, egyre jobban kezdett érdekelni, hogyan lehet más dokumentumokat egyszerűen Markdownná alakítani.

Így találtam rá az anydoc projektre.

Az anydoc egy nyílt forráskódú dokumentumkonverter, amelynek egyik fő célja, hogy különböző dokumentumformátumokból Markdown-tartalmat készítsen. Persze az dolog, hogy mit tud papíron egy ilyen eszköz, a másik pedig az, hogy mire is képes a gyakorlatban. Ezért inkább kipróbáltam néhány különböző dokumentummal.

Mi az a Markdown?

Mielőtt belevágunk az anydocba, érdemes röviden tisztázni, hogy mi is az a Markdown.

A Markdown egy egyszerű szöveges formázási nyelv. A dokumentum formázását nem külön fájlformátum vagy szövegszerkesztő kezeli, hanem egyszerű karakterekkel jelölhetjük például a címsorokat, félkövér szöveget, listákat vagy hivatkozásokat.

Például egy címsor így néz ki:

# Ez egy címsor

A félkövér szöveget pedig például így írhatjuk:

**Ez félkövér lesz**

A Markdown egyik előnye, hogy maga a fájl egyszerű szövegként is olvasható. Emiatt fejlesztői környezetben, dokumentációkban és különböző AI-alapú munkafolyamatokban is gyakran találkozhatunk vele.

Mi az az anydoc?

Az anydoc egy nyílt forráskódú, Rust nyelven készült dokumentumkonvertáló eszköz, amelyet a Firecrawl csapata fejleszt. A projekt célja, hogy különböző dokumentumtípusok tartalmát Markdown formátumba lehessen átalakítani. Többek között Word-, PowerPoint-, Excel-, OpenDocument-, RTF-, EPUB-, CSV- és PDF-fájlok kezelésére is használható. Az anydoc nem egy hagyományos irodai program. Nem arra szolgál, hogy megnyissunk benne egy dokumentumot, majd ugyanúgy szerkesszük, mint például egy szövegszerkesztőben. Inkább úgy érdemes elképzelni, mint egy dokumentum → Markdown átalakítót. A projekt nyílt forráskódú, és MIT licenc alatt érhető el.

Mire használható?

Az anydoc elsősorban akkor lehet érdekes, ha egy meglévő dokumentumból szeretnénk a tartalmat Markdown formátumban felhasználni.

Például:

• Word dokumentumot szeretnénk Markdownná alakítani
• PowerPoint prezentáció tartalmát szeretnénk kinyerni
• Excel-fájl tartalmát szeretnénk Markdown formában feldolgozni
• dokumentumokból szeretnénk strukturált szöveges tartalmat készíteni
• AI-alapú munkafolyamatban szeretnénk dokumentumokat továbbfeldolgozni

Itt viszont fontos különbséget tenni a tartalom átalakítása és az eredeti dokumentum tökéletes lemásolása között. Az anydoc nem feltétlenül arra való, hogy egy Word- vagy PowerPoint-fájl kinézetét pixelpontosan visszaadja Markdownban. A Markdown eleve másképp működik. Ez a saját tesztjeimnél is elég jól megmutatkozott.

Hogyan próbáltam ki?

A teszthez két egyszerű, internetről letöltött próbadokumentumot használtam:

• egy .doc Word-fájlt
• egy .ppt PowerPoint-fájlt

Mindkettő tartalmazott szöveget, képeket és táblázatokat.

Ezen kívül egy XLSX-fájlt is kipróbáltam.

Nem saját, komoly munkadokumentumokkal teszteltem az anydocot, hanem letöltött mintafájlokkal, ezért az alábbi eredményeket ennek megfelelően érdemes kezelni.

Hasonló „dummy” fileokat innen tudtok letölteni: https://file-examples.com/index.php/sample-documents-download/

Word dokumentum átalakítása Markdownná

Elsőként egy DOC fájlt próbáltam ki.

A dokumentumban voltak szövegek, képek és táblázatok is. Az anydoc a szöveges tartalmat alapvetően rendben átalakította Markdown formátumba. A képeknél viszont már nem volt ilyen jó a helyzet: a tesztelt dokumentumban a képek egyáltalán nem jelentek meg a kapott eredményben. A táblázat tartalma megmaradt, viszont maga a táblázat struktúrája nem maradt meg úgy, ahogy az eredeti dokumentumban szerepelt. Ez azért fontos, mert így az eredmény nem tekinthető a Word-dokumentum egyszerű, egy az egyben történő másolatának. A szöveges tartalom kinyerésére viszont használhatónak tűnt.

PowerPoint prezentáció átalakítása Markdownná

A PPT fájllal hasonló módon jártam el.

Ebben is voltak szövegek, képek és táblázatok. A szöveges tartalmat az anydoc itt is kiszedte, viszont a képek ebben az esetben sem jelentek meg a kapott eredményben. A táblázatok tartalma szintén megmaradt, de a táblázatok eredeti felépítése nem maradt meg. Ez egy prezentációnál különösen érdekes lehet, hiszen egy PowerPoint dia nem pusztán szövegből áll. A szöveg helye, a képek, az elemek elrendezése és az egyéb vizuális elemek mind hozzátartoznak az eredeti prezentációhoz. A Markdown viszont nem erre van kitalálva.

Excel-fájl átalakítása

Az XLSX-fájlt is kipróbáltam, és itt már valamivel jobb eredményt kaptam.

Az anydoc az Excel-fájl tartalmát egész jól kiszedte, bár a végeredmény azért nem lett tökéletes. Nem mondanám, hogy hibátlanul visszaadta az eredeti dokumentum minden elemét és felépítését, de a kinyert tartalom összességében használhatónak bizonyult. A Word- és PowerPoint-fájlokhoz képest számomra ez volt a kellemesebb eredmény. Persze itt is érdemes ellenőrizni a kapott Markdown-fájlt, főleg akkor, ha az eredeti Excel-dokumentum összetettebb táblázatokat vagy formázásokat tartalmaz. A saját tesztem alapján viszont az XLSX → Markdown átalakítás egyáltalán nem volt rossz.

Az anydoc főbb funkciói

Az anydoc többféle dokumentumtípussal képes dolgozni.

A támogatott formátumok között megtalálható többek között:

• Microsoft Word: DOC, DOCX, DOCM
• Microsoft PowerPoint: PPT, PPS, POT, PPTX és kapcsolódó formátumok
• Microsoft Excel
• OpenDocument formátumok
• RTF
• EPUB
• CSV
• PDF

A cél minden esetben az, hogy a dokumentum tartalma Markdown formában legyen tovább használható. Az anydochoz parancssoros használat mellett Node.js-, Python- és Rust-környezethez kapcsolódó lehetőségek is rendelkezésre állnak.

Használat böngészőből

Az anydocnak van egy böngészőből elérhető bemutatófelülete is. Ez azért kényelmes, mert az alapvető működés kipróbálásához nem feltétlenül kell először telepíteni semmit. A dokumentumot feltölthetjük, majd megnézhetjük, milyen Markdown-tartalmat készít belőle az eszköz. A projekt dokumentációja szerint a böngészős feldolgozás helyben, a böngészőben történik, így az ehhez készült demo esetében a fájlok feldolgozása nem egy távoli szerveren történik. Ez különösen érdekes lehet akkor, ha valaki érzékenyebb dokumentumokkal szeretne dolgozni, bár természetesen mindig érdemes ellenőrizni, hogy pontosan melyik felületet és milyen környezetben használjuk.

Kell telepíteni?

Ha csak ki szeretnéd próbálni az anydocot, a böngészős demo miatt nem feltétlenül. Ha viszont rendszeresen szeretnél dokumentumokat konvertálni, akkor már érdekesebb lehet a parancssoros használat.

Az anydoc használható például az npx segítségével is:

npx @firecrawl/anydoc

A pontos használat és az elérhető lehetőségek a projekt dokumentációjában találhatók. Ez inkább azoknak lehet érdekes, akik nem egy-egy dokumentumot akarnak kézzel átalakítani, hanem valamilyen automatizált folyamat részeként szeretnék használni az anydocot.

Amit érdemes figyelembe venni

A saját tesztjeim alapján én itt nem úgy tekintenék az anydocra, mint egy olyan eszközre, amely minden dokumentumot tökéletesen átültet Markdownba.

A két tesztelt dokumentumnál – egy DOC és egy PPT fájlnál – a szöveges tartalom használhatóan megmaradt, viszont a képek nem jelentek meg az eredményben, a táblázatok tartalma pedig megmaradt ugyan, de a szerkezetük nem.

Az XLSX esetében viszont már jobb eredményt kaptam: a tartalmat egész jól kiszedte, még ha nem is lett tökéletes. Fontos azonban, hogy ezek az én konkrét tesztjeim eredményei két letöltött próbadokumentummal és egy XLSX-fájllal. Ebből nem lehet azt kijelenteni, hogy minden DOC, PPT vagy XLSX fájlnál pontosan ugyanez történik. Ha egy dokumentumnál fontosak a képek, az összetett táblázatok vagy az eredeti elrendezés, mindenképpen érdemes ellenőrizni a kapott Markdown-fájlt.

Saját vélemény anydocról

Nekem az anydoc alapötlete tetszik.

Nem feltétlenül azért, mert tökéletesen átalakít minden dokumentumot, hanem azért, mert egy olyan feladatot old meg, amire bizonyos helyzetekben tényleg szükség lehet: egy meglévő dokumentumból Markdownban használható tartalmat készít. A saját tesztjeim alapján a Word- és PowerPoint-fájloknál inkább a szöveges tartalom kinyerését látom benne hasznosnak. A képek nálam nem kerültek bele az eredménybe, a táblázatoknál pedig megmaradt ugyan a tartalom, de az eredeti struktúra elveszett.

Az XLSX viszont kellemesebb meglepetés volt. Nem lett tökéletes, de a tartalmat szerintem egész jól kiszedte.

Szóval nálam az anydoc nem lett egyből „na, ez mindent megold” kategória, de egyáltalán nem érzem rossz eszköznek. Ha valakinek dokumentumok tartalmát kell Markdown formátumba áttenni, szerintem érdemes lehet kipróbálni. Arra viszont nem számítanék, hogy egy összetett Word- vagy PowerPoint-dokumentum minden vizuális elemét és eredeti elrendezését változtatás nélkül visszakapom.

Gyakori kérdések az anydocról

Mi az anydoc?

Az anydoc egy nyílt forráskódú dokumentumkonverter, amely különböző dokumentumformátumokból Markdown-tartalmat készít.

Milyen fájlokat tud kezelni?

Többek között Word-, PowerPoint-, Excel-, OpenDocument-, RTF-, EPUB-, CSV- és PDF-fájlokkal is képes dolgozni.

Ingyenes az anydoc?

Az anydoc nyílt forráskódú projekt, és MIT licenc alatt érhető el.

Az anydoc megőrzi a képeket?

A saját DOC- és PPT-tesztjeim során a képek nem jelentek meg a kapott Markdown-kimenetben. Ez azonban két konkrét tesztfájl eredménye, ezért ebből nem lehet minden dokumentumra általános következtetést levonni.

Megőrzi a táblázatokat?

A tesztelt DOC- és PPT-fájloknál a táblázatok tartalma megmaradt, de az eredeti táblázatszerkezet nem.

XLSX fájlokat is lehet vele konvertálni?

Igen. A saját tesztem alapján az XLSX tartalmát egész jól ki tudta szedni, bár a végeredmény nem volt tökéletes.

Kell telepíteni az anydocot?

Nem feltétlenül. A projektnek van böngészős demoja is, emellett parancssorból és különböző fejlesztői környezetekből is használható.

Hivatalos oldal

Az anydoc hivatalos projektje a GitHubon található, ahol a forráskód, a dokumentáció és a használattal kapcsolatos információk is elérhetők.

anydoc GitHub oldal: https://github.com/firecrawl/anydoc

anydoc demo oldala: https://firecrawl.github.io/anydoc/

Kapcsolódó cikkek

👉 Notesnook – Privát és titkosított jegyzetapp

👉 Excalidraw – Amikor egyszerűbb lerajzolni, mint elmagyarázni

👉 Blinko – Gyors jegyzetelés saját szerveren, AI-kereséssel